[論文レビュー] Profit-Driven Team Grouping in Social Networks

Shaojie Tang, Yuan, Jing+2 more|arXiv (Cornell University)|May 10, 2016

Complexity and Algorithms in Graphs参考文献 10被引用数 4

ひとこと要約

本稿では、必要なスキルを備え、社会的適合性（連結部分グラフを介して）を維持し、個人の負荷を回避する必要がある社会的ネットワークにおける利益志向型チーム編成問題（TeamGrouping問題）を導入する。本稿では、線形計画法（LP）に基づく近似アルゴリズムを提案し、近似比が $ \max\{\mu/(4\Delta), \mu/(8\sqrt{f_{\text{max}}m})\}$ であることを保証する。ここで $ \mu$ は MincostTeamSelection 問題の近似比、$ \Delta$ は最小チームの最大サイズを表す。本稿は、カバー分解問題の一般化されたフレームワークを確立する。

ABSTRACT

In this paper, we investigate the profit-driven team grouping problem in social networks. We consider a setting in which people possess different skills, and the compatibility between these individuals is captured by a social network. Moreover, there is a collection of tasks, where each task requires a specific set of skills and yields a profit upon completion. Individuals may collaborate with each other as \emph{teams} to accomplish a set of tasks. We aim to find a group of teams to maximize the total profit of the tasks that they can complete. Any feasible grouping must satisfy the following conditions: (i) each team possesses all the skills required by the task assigned to it, (ii) individuals belonging to the same team are socially compatible, and (iii) no individual is overloaded. We refer to this as the extsc{TeamGrouping} problem. We analyze the computational complexity of this problem and then propose a linear program-based approximation algorithm to address it and its variants. Although we focus on team grouping, our results apply to a broad range of optimization problems that can be formulated as cover decomposition problems.

研究の動機と目的

• チームが必須のスキルを備え、社会的適合性（連結部分グラフ）を維持し、個人の負荷を回避する必要がある社会的ネットワークにおける利益志向型チーム編成問題を形式化すること。
• TeamGrouping 問題の計算複雑性を分析し、P = NP でない限り、$1/\ln m$-近似が不可能であることを証明すること。
• TeamGrouping 問題およびその変種（タスク頻度制約、チームサイズ制限を含む）に対して、線形計画法に基づく近似アルゴリズムを開発すること。
• チーム編成の範囲を超えて、広範なカバー分解問題のクラスにこのアプローチを一般化すること。
• 個人の負荷やチームの接続性といったさまざまな制約下での理論的近似保証を確立すること。

提案手法

• スキルの完全性、社会的適合性（連結部分グラフ）、個人の負荷制限を満たす制約を備えた整数線形計画（ILP）として TeamGrouping 問題を定式化する。
• チームサイズに基づき、可能なチームを2つのクラスに分割する修正された近似アルゴリズム（Approx-TG）を導入する：小規模チーム（$\leq \sqrt{f_{\text{max}}m}$）と大規模チーム（$> \sqrt{f_{\text{max}}m}$）。
• 問題のLP緩和に対する丸め技法を適用し、参加制限を守りながら利益を最大化するチームを選択するためのしきい値戦略を用いる。
• 双対適合の議論とバウンディング技術を用い、丸められた解の利益を最適LP解と関連付ける。この際、MincostTeamSelection の部分問題における $\mu$-近似比を活用する。
• 2段階の解析を実施する：小規模チームについては解の密度に基づく解析、大規模チームについては個人の負荷制約とチームサイズの下限に基づく解析。
• 制限されたタスク再現回数やチームサイズ制限といった拡張に対しても、理論的近似保証を維持する形でフレームワークを一般化する。

実験結果

リサーチクエスチョン

• RQ1 スキル完全性、社会的適合性、個人の負荷制約の下で、利益志向型チーム編成問題の計算複雑性はいかほどか？
• RQ2 P = NP でない限り、保証された性能を持つ近似アルゴリズムを TeamGrouping 問題に設計できるか？
• RQ3 提案されたアルゴリズムの近似比は、社会的ネットワークの構造および個人のスキルと負荷の分布にどのように依存するか？
• RQ4 提案されたフレームワークは、チーム編成を越えて、他のカバー分解問題にどの程度一般化可能か？
• RQ5 制限されたタスク再現回数やチームサイズの上限といった制約は、近似比およびアルゴリズム設計にどのように影響を与えるか？

主な発見

• TeamGrouping 問題は、P = NP でない限り、$1/\ln m$-近似が不可能であることが証明され、多項式時間アルゴリズムが $1/\ln m$ より良い近似比を達成できないことを示している。
• 提案されたLPベースのアルゴリズムは、近似比 $\max\{\mu/(4\Delta), \mu/(8\sqrt{f_{\text{max}}m})\}$ を達成する。ここで $\mu$ は MincostTeamSelection 問題の近似比、$\Delta$ は最小チームの最大サイズを表す。
• 社会的適合性の制約が緩和された場合、近似比は $\max\{\ln n/n, \ln n/(2\sqrt{m})\}$ に低下し、制約が少ない状況での性能向上が示された。
• 高利益の個人タスクと、慎重に選択された小規模チームの組み合わせにより、アルゴリズムは少なくとも $\frac{\mu}{8\sqrt{f_{\text{max}}m}} \cdot \text{OPT}$ の利益を達成する。
• 理論的解析は、元の問題およびタスク頻度制限やチームサイズ制限を含む拡張問題に対しても成立し、強固さが確認された。
• このフレームワークは、チーム編成を越えて広範なカバー分解問題に一般化可能であり、応用範囲が広がることが示された。